Die Retourenquote senken und Nachhaltigkeit steigern: Data Science macht es möglich.


Veröffenticht am 30.11.2021 von Tisson & Company
Avatar
Retourenquote mit Data Science - Pakete als Symbolbild

Der Onlinehandel boomt. Immer mehr Kunden informieren sich und kaufen ihre Produkte online. Diese werden bestellt, pünktlich geliefert, ausprobiert und dann - zurückgeschickt. Retouren belasten nicht nur den Deckungsbeitrag oder etwaige Marketingkampagnen, sie schaden auch der Umwelt und führen zu Ressourcenverschwendung oder steigenden CO2 Ausstößen. Und dieser Trend verstärkt sich mit zunehmendem Wachstum und Popularität des Onlinehandels. Jedes Unternehmen, welches im Onlinehandel tätig ist, wird früher oder später mit Retouren in Berührung kommen und solche Fälle in Ihren Systemen abbilden. Das ist häufig, paradoxerweise, eine gute Grundlage auf dem Weg zur Reduzierung und Optimierung.

 

Die digitale Transformation und Erfassung von Informationen in ERP- oder anderen IT-Systemen bietet einen unglaublichen Informationspool (Big Data) im Unternehmen. Denn jede dokumentierte Retoure enthält Wissen und Informatonen, welche mit Techniken der Data Science analysiert, interpretiert und schlussendlich in handfeste Handlungsempfehlungen oder Entscheidungssysteme überführt werden können, mit welchen zukünftige Retouren reduziert oder vermieden werden.

 

Wie ein solches Vorgehen aussehen kann und welche Möglickeiten bestehen, stellen wir folgend vor:

 

Schritt 1 - Kundenprofile und Segmente erstellen - Wer steckt hinter einer Retoure?

 

Durch eine Analyse und Bildung von Kundenprofilen, lassen sich häufig bereits handfeste Erkenntnisse und Zusammenhänge ermitteln. Dazu werden die jeweiligen Retouren- und Bestelldatensätze aggregiert und mit Techniken des Data Mining und statistischen Verfahren aufbereitet und analysiert. Ziel ist es, mit Blick auf die Retourenquote, Aussagen über auffällige Gemeinsamkeiten, Unterschiede, Muster oder auch Ausreißer machen zu können. Diese ermöglichen eine erste Eingrenzung und Beschreibung der jeweiligen Zielgruppen und geben Auskunft über die Persona’s hinter einer Retoure.

 

Typische Fragestellungen könnten dabei sein:

 

  • Welche Kundengruppen und Segmente lassen sich aus den gemeinsamen Attributen extrahieren und schließen?
  • Welche gemeinsamen Merkmale oder signifikanten Unterschiede weisen Kundengruppen in Bezug auf Retouren auf?
  • Gibt es auffällige Kunden oder Gruppen (Ausreißer), welche besonders häufig eine Retoure beauftragen?
  • Gibt es regionale Cluster oder Besonderheiten?
  • Mit welcher Wahrscheinlichkeit wird eine Kundengruppe eine Retoure beauftragen?

 

Schritt 2 - Probleme und Ursachen ermitteln - Was sind die Gründe?

 

Während bei der Analyse der Kundenprofile versucht wird Aussagen und Zusammenhänge über das "Wer" und "Was" zu ermitteln, geht es im Anschluss darum das "Warum" zu ergründen. Warum werden bestimmte Produkte besonders häufig zurückgegeben und gibt es einen Zusammenhang zwischen den ermittelten Kundengruppen oder anderen Faktoren? Dazu werden, neben den ermittelten Nutzergruppen und deren extrahierten Merkmalen, Daten und Informationen zur Retoure und dem Produkt selber hinzugezogen.

 

Diese können zum Beispiel sein:

 

  • Hersteller,
  • Produkteigenschaften,
  • Lieferkette,
  • Produktionsstätte,
  • Zeitraum

 

 

Auf Basis dieses Informationspools wird nun durch Data Mining und Modelle der Künstlichen Intelligenz ermittelt, welche kausalen Zusammenhänge zwischen den Entitäten "Kundengruppe", "Retoure" und den bekannten (oder auch unbekannten) Merkmalen besteht. Oft sind es Zusammenhänge und Merkmalskonstellationen welche man intuitiv nicht erwartet hätte!

 

Die daraus gewonnenen Informationen können nun bereits Antworten auf folgende Fragestellungen liefern:

 

  • Gibt es einen Zusammenhang zwischen Retouren und unterschiedlichen Produkten oder Herstellern?
  • Weisen bestimmte Produktgruppen oder Produktsegmente, mit Blick auf die jeweilige Retourenquote, gemeinsame Merkmale auf?
  • Welcher Zusammenhang besteht zwischen den ermittelten Kundengruppen und Produkten?
  • Gibt es Auffälligkeiten oder Zusammenhänge in Bezug auf die Produktqualität?
  • Welche Saisonalen Effekte gibt es?
  • Wie weit beeinflusst die Lieferkette und supplier die Retourenquote und Zufriedenheit?

 

 

Schritt 3 - Aggregation und Auswertung

 

Auch wenn die Analyse und extrahierten Erkenntnisse aus der Kunden- und Problemanalyse für sich genommen bereits tiefgehende Erkenntnisse und Handlungsempfehlungen generiert haben, entfaltet sich das ganze Potenzial erst durch eine gemeinsame Betrachtung. Die, nicht selten vielen 100, Regeln und Zusammenhänge werden dabei ganzheitlich betrachtet und nach ihrer (statistischen) Signifikanz auf die Retourenquote (die Zielvariable) hin untersucht.

Im Ergebnis stehen gewichtete Merkmale und Merkmalskombinationen, sogenannte Merkmalsvektoren, anhand derer verschiedene Wahrscheinlichkeiten für das Eintreten einer Retoure abgelesen werden können.

 

Ein solcher Merkmalsvektor kann wie folgt aussehen:

 

  • Das Produkt „Reiskocher“ wird mit einer Wahrscheinlichkeit von 67% innerhalb der nächsten Woche retourniert werden, wenn die folgenden Bedingungen erfüllt sind:
    • Kundenprofil entspricht der Kundengruppe C (Gewichtung 60%)
    • Das Produkt wird zusammen mit ProduktWagenheber“ gekauft (20%)
    • Das Produkt hat die FarbeRot“ (Gewichtung 10%)
    • Der Hersteller des Produkts ist Firma „Muster GmbH“ (Gewichtung 5%)
    • Das Produkt wurde im Juni gekauft (Gewichtung 5%)

 

  • Wahrscheinlichste Gründe sind:
    • Mit 22% Wahrscheinlichkeit wird der Retourengrund „Fehlkauf“ sein.
    • Mit 10% Wahrscheinlichkeit wird der Retourengrund „Schlechte Verarbeitung“ sein.
    • Mit 5% Wahrscheinlichkeit wird der Retourengrund „Ware defekt“ sein.

 

 

In der Praxis wird es eine Vielzahl (nicht selten viele 1000) unterschiedlicher Merkmalsvektoren geben, abhängig von der Anzahl vorhandener Merkmale und deren Kombinationen. Die entscheidende Aufgabe ist es, jene mit der höchsten Aussagekraft und Einfluss auszuwählen.

 

Ausgestattet mit dem Wissen um die Ursachen und deren Eintrittswahrscheinlichkeiten, stellt sich nun die Frage: wie kann dieses genutzt werden, um die Retourenquote zu senken?

 

Lösungsoption 1 – Schwarm-Empfehlungen

 

Eine sehr vielversprechende Möglichkeit ist es, eine Retoure bereits vor dem Kauf zu verhindern, in dem der Kunde ein Produkt kauft, welches ihm funktional und gemäß seinen Wünschen und Bedürfnisse gar keinen Grund zur Reklamation liefert.

 

So könnte zum Beispiel ein Merkmalsvektor für eine Retourengruppe wie folgt aussehen:

 

Risikogruppe A (Risiko einer Retoure 66% - hoch):

  • Kundenprofil entspricht Kundengruppe N
  • Kunde kauft „selten
  • Durchschnittliche Anzahl Produkte pro Bestellung < 2
  • Produkte stammen überwiegend aus unterschiedlichen Produktkategorien
  • 82% Wahrscheinlichkeit, dass der Retourengrund „Fehlkauf“ ist

 

 

Aus diesen Informationen lässt sich entnehmen, dass Kunden der Risikogruppe A vermutlich Gelegenheitskäufer und sich über die Produkteigenschaften oder Features im Vorfeld nicht immer 100% sicher sind. Es handelt sich somit weniger um Käufer, welche das Produkt bereits im Vorfeld für sich testen oder anschauen konnten. Diese stellen dann häufig erst im Nachgang fest, ob sie mit einem Produkt zufrieden sind oder nicht. Gleiches gilt für Produkte, welche häufig sehr subjektiv zu beurteilen sind, wie die Verarbeitung und das Gefühl von Stoffen.


Um diesem Problem zu begegnen könnten, können nun sogenannte Schwarm-Empfehlungen genutzt werden. Bei diesem wird einem Kunden noch während des Kaufprozesses unter oder neben einem Produkt eine relative Produktzufriedenheit und Empfehlungen angezeigt.

 

Das kann man sich wie folgt vorstellen:

 

Ein Bestandskunde loggt sich mit seinem Kundenkonto ein und schaut sich einen „Akkuschrauber“ an. Auf Basis seines Profils und seiner Bestellmerkmale aus der Vergangenheit, wird ein Abgleich mit anderen, aber ähnlichen Nutzerprofilen gemacht und es wird berechnet, wie viel Prozent der jeweils anderen Kunden mit diesem Produkt zufrieden waren. Genauso können dem Kunden Produkte angezeigt werden, welche auf Basis des eigenen Kunden- oder Suchprofils prozentual am wahrscheinlichsten passen würden.

 

Durch dieses Vorgehen können spätere Retouren bereits im Auswahlprozess proaktiv verhindert und darüber hinaus die Kundenzufriedenheit gesteigert werden.

 

Lösungsoption 2 – Individuelle Ansprache und Marketing

 

Eine weitere Möglichkeit Retouren bereits proaktiv zu verhindern ist die Nutzung von individuellen Marketingmaßnahmen. Dabei werden auf Basis der ermittelten Nutzercluster und deren Risikoprofilen und Merkmalen, kundenspezifische Maßnahmen geschaltet, um die Kundenbindung zu stärken oder umgekehrt, den Missbrauch von Bonus- und Vorteilsystemen zu beschränken.

 

Solche individuellen Maßnahmen können sein:

 

  • Empfehlungsmarketing (z.B. via E-Mail) zu Produkt- und Interessenschwerpunkten des Kunden auf Basis der Einkaufshistorie
  • Personalisierte Ansprache und Beigaben (z.B. kleine Aufmerksamkeiten) zu Bestellungen, mit welchen der Kunde nicht rechnet und seinen Interessen entsprechen
  • Freischaltung und Gewährung von Bonussystemen, falls ein Kunde wenig Retouren aufweist – umgekehrt der Entzug und die Beschränkung im Falle von offensichtlichem Missbrauch.

 

 


Kontakt aufnehmen

Sie wünschen mehr Informationen oder haben eine Frage? Schreiben Sie uns:

Datenschutzerklärung
captcha